Quando l’acqua congela, passa dalla fase liquida a quella solida, determinando un drastico cambiamento nelle proprietà come densità e volume. Le transizioni di fase nell'acqua sono così comuni che la maggior parte di noi probabilmente non ci pensa nemmeno, ma le transizioni di fase in nuovi materiali o sistemi fisici complessi sono un'importante area di studio.
Per comprendere appieno questi sistemi, gli scienziati devono essere in grado di riconoscere le fasi e rilevare le transizioni tra loro. Ma come quantificare i cambiamenti di fase in un sistema sconosciuto spesso non è chiaro, soprattutto quando i dati sono scarsi.
I ricercatori del MIT e dell'Università di Basilea in Svizzera hanno applicato modelli di intelligenza artificiale generativa a questo problema, sviluppando un nuovo quadro di apprendimento automatico in grado di mappare automaticamente i diagrammi di fase per nuovi sistemi fisici.
Il loro approccio di apprendimento automatico basato sulla fisica è più efficiente delle laboriose tecniche manuali che si basano sulla competenza teorica. È importante sottolineare che, poiché il loro approccio sfrutta modelli generativi, non richiede enormi set di dati di addestramento etichettati utilizzati in altre tecniche di apprendimento automatico.
Un simile quadro potrebbe aiutare gli scienziati a studiare le proprietà termodinamiche di nuovi materiali o a rilevare l’entanglement nei sistemi quantistici, ad esempio. In definitiva, questa tecnica potrebbe consentire agli scienziati di scoprire in modo autonomo fasi sconosciute della materia.
"Se avessi un nuovo sistema con proprietà completamente sconosciute, come sceglieresti quale quantità osservabile studiare? La speranza, almeno con strumenti basati sui dati, è che potresti scansionare nuovi grandi sistemi in modo automatizzato, e questo indicherà a importanti cambiamenti nel sistema.
"Questo potrebbe essere uno strumento nella pipeline della scoperta scientifica automatizzata di nuove proprietà esotiche delle fasi", afferma Frank Schäfer, postdoc presso il Julia Lab del Computer Science and Artificial Intelligence Laboratory (CSAIL) e coautore di un articolo su questo approccio.
Insieme a Schäfer nell'articolo ci sono il primo autore Julian Arnold, uno studente laureato presso l'Università di Basilea; Alan Edelman, professore di matematica applicata presso il Dipartimento di Matematica e leader del Julia Lab; e l'autore senior Christoph Bruder, professore presso il Dipartimento di Fisica dell'Università di Basilea.
La ricerca è pubblicata in Physical Review Letters .
Mentre la transizione dell'acqua in ghiaccio potrebbe essere tra gli esempi più evidenti di cambiamento di fase, cambiamenti di fase più esotici, come quando un materiale passa dall'essere un normale conduttore a un superconduttore, sono di grande interesse per gli scienziati.
Queste transizioni possono essere rilevate identificando un "parametro d'ordine", una quantità importante e destinata a cambiare. Ad esempio, l’acqua ghiaccia e passa alla fase solida (ghiaccio) quando la sua temperatura scende sotto 0°C. In questo caso, un parametro d'ordine appropriato potrebbe essere definito in termini di proporzione di molecole d'acqua che fanno parte del reticolo cristallino rispetto a quelle che rimangono in uno stato disordinato.
In passato, i ricercatori si affidavano alle competenze fisiche per costruire manualmente i diagrammi di fase, attingendo alla comprensione teorica per sapere quali parametri d'ordine sono importanti. Non solo questo è noioso per i sistemi complessi e forse impossibile per i sistemi sconosciuti con nuovi comportamenti, ma introduce anche il pregiudizio umano nella soluzione.
Più recentemente, i ricercatori hanno iniziato a utilizzare l’apprendimento automatico per costruire classificatori discriminativi in grado di risolvere questo compito imparando a classificare una misurazione statistica come proveniente da una particolare fase del sistema fisico, nello stesso modo in cui tali modelli classificano un’immagine come un gatto o un cane.
I ricercatori del MIT hanno dimostrato come i modelli generativi possano essere utilizzati per risolvere questo compito di classificazione in modo molto più efficiente e basato sulla fisica.
Il linguaggio di programmazione Julia, un linguaggio popolare per il calcolo scientifico utilizzato anche nelle lezioni introduttive di algebra lineare del MIT, offre molti strumenti che lo rendono prezioso per la costruzione di tali modelli generativi, aggiunge Schäfer.
I modelli generativi, come quelli alla base di ChatGPT e Dall-E, in genere funzionano stimando la distribuzione di probabilità di alcuni dati, che utilizzano per generare nuovi punti dati che si adattano alla distribuzione (come nuove immagini di gatti simili alle immagini di gatti esistenti) .
Tuttavia, quando sono disponibili simulazioni di un sistema fisico che utilizzano tecniche scientifiche collaudate, i ricercatori ottengono gratuitamente un modello della sua distribuzione di probabilità. Questa distribuzione descrive le statistiche di misurazione del sistema fisico.
L'intuizione del team del MIT è che questa distribuzione di probabilità definisce anche un modello generativo su cui può essere costruito un classificatore. Inseriscono il modello generativo in formule statistiche standard per costruire direttamente un classificatore invece di apprenderlo dai campioni, come avveniva con gli approcci discriminativi.
"Si tratta di un modo davvero interessante per incorporare qualcosa che conosci sul tuo sistema fisico nel profondo del tuo schema di apprendimento automatico. Va ben oltre la semplice progettazione di funzionalità sui campioni di dati o semplici bias induttivi", afferma Schäfer.
Questo classificatore generativo può determinare in quale fase si trova il sistema in base ad alcuni parametri, come la temperatura o la pressione. E poiché i ricercatori approssimano direttamente le distribuzioni di probabilità alla base delle misurazioni del sistema fisico, il classificatore ha una conoscenza del sistema.
Ciò consente al loro metodo di funzionare meglio di altre tecniche di apprendimento automatico. E poiché può funzionare automaticamente senza la necessità di una formazione approfondita, il loro approccio migliora significativamente l'efficienza computazionale nell'identificazione delle transizioni di fase.
Alla fine della giornata, in modo simile a come si potrebbe chiedere a ChatGPT di risolvere un problema di matematica, i ricercatori possono porre domande al classificatore generativo come "questo campione appartiene alla fase I o alla fase II?" o "questo campione è stato generato ad alta o bassa temperatura?"
Gli scienziati potrebbero anche utilizzare questo approccio per risolvere diversi compiti di classificazione binaria nei sistemi fisici, possibilmente per rilevare l’entanglement nei sistemi quantistici (lo stato è entanglement o no?) o determinare se la teoria A o B è più adatta a risolvere un particolare problema. Potrebbero anche utilizzare questo approccio per comprendere meglio e migliorare modelli linguistici di grandi dimensioni come ChatGPT identificando come ottimizzare determinati parametri in modo che il chatbot fornisca i migliori risultati.
In futuro, i ricercatori vogliono anche studiare le garanzie teoriche relative al numero di misurazioni di cui avrebbero bisogno per rilevare efficacemente le transizioni di fase e stimare la quantità di calcoli che richiederebbero.
